Problem, który opierał się przez 22 lata

Hipoteza Crouzeixa mówi, że dla dowolnej kwadratowej macierzy zespolonej A i wielomianu p, norma operatorowa ||p(A)|| wynosi co najwyżej dwukrotność maksimum |p| w zakresie numerycznym A. Dotychczas najlepsze oszacowanie wynosiło 1+√2 (około 2,414) i było rezultatem warsztatów w 2017 roku w Amerykańskim Instytucie Matematyki, podczas których czołowi specjaliści nie zdołali domknąć luki do ścisłej stałej 2 .

Problem ten leżał na styku teorii macierzy i analizy funkcjonalnej w numerycznej algebrze liniowej – to niszowe, ale fundamentalne pytanie, które opierało się dwóm dekadom wysiłków ekspertów, którzy poświęcili mu swoje kariery.

Od ultrasonografii mózgu do matematycznego przełomu

Jin nie zamierzał tworzyć historii matematyki. Badał przezczaszkową ultrasonografię – modelował, jak fale ultradźwiękowe przenikają przez czaszkę – co zaprowadziło go do analizy macierzy, a ostatecznie do hipotezy Crouzeixa . Całą wyższą matematykę opanował samodzielnie podczas badań nad ultrasonografią; jego licencjat był z geologii na Uniwersytecie Pekińskim, a dyplom lekarza zdobył w Pekińskim Związku Medycznym. Nie miał formalnego wykształcenia w zaawansowanej matematyce .

Autonomiczna sesja trwająca 16 godzin

Jin zaadaptował strategię promptu, której OpenAI użyło przy rozwiązywaniu hipotezy cyklu podwójnego pokrycia. Zaprojektował wieloagentowy, adwersarialny system z czterema instrukcjami :

1. Praca offline: Model działał w fizycznie odizolowanym środowisku, uniemożliwiając mu pobieranie istniejących dowodów lub rozwiązań z sieci.
2. Równoległa eksploracja: System uruchamiał wiele podagentów badających zupełnie różne strategie dowodowe, zapobiegając przedwczesnej zbieżności do jednego podejścia.
3. Adwersarialny audyt: Kandydackie dowody poddawano adwersarialnym sprawdzeniom, zmuszając model do znajdowania i naprawiania własnych błędów.
4. Brak wcześniejszego zatrzymania: System miał nie przerywać pracy, dopóki kompletny dowód nie przeszedł wszystkich kontroli.

Jin uruchomił system i odszedł. Po około 16 godzinach ciągłej pracy – podczas których GPT-5.6-Sol wykonał tysiące cykli generowania, testowania hipotez, odrzucania i odbudowywania – powstał kompletny dowód .

Zamiast ciężkich oszacowań, jakich spodziewali się eksperci, argumentacja opierała się na starannej strategii próbkowania, sprowadzającej problem do prostego warunku dodatniości . Było to, według opinii recenzentów, eleganckie i nieoczekiwane podejście.

Weryfikacja przez ekspertów

Analityk numeryczny Alex Townsend z Cornell University przez poprzedni rok regularnie prosił ChatGPT o atakowanie hipotezy Crouzeixa, za każdym razem obserwując, jak utyka na tym samym brakującym lemacie . 30 lipca 2026 roku zapytał ponownie – ale tym razem ChatGPT zwrócił link do preprintu opublikowanego 27 lipca, zatytułowanego „The Numerical Range Is a 2-Spectral Set” .

Townsend i Anne Greenbaum z University of Washington przejrzeli preprint ze sceptycyzmem. Po kilku godzinach uznali, że dowód jest poprawny . Sam Michel Crouzeix – matematyk, który 22 lata wcześniej postawił hipotezę – przejrzał manuskrypt i potwierdził jego poprawność .

Open source i niezależna weryfikacja

Jin opublikował cały swój proces badawczy jako open source, udostępniając na GitHubie końcową pracę, dokładny prompt, wszystkie kolejne iteracje manuskryptu, formalizację dowodu w języku Lean 4 oraz audyt aksjomatów .

Co niezwykłe, osiem dni po publikacji preprintu Jina, na arXiv pojawił się oddzielny, niezależny dowód autorstwa Emiela Lorista i Felixa Schwenningera – którzy również używali ChatGPT 5.6 do eksploracji strategii – niezależnie potwierdzając wynik .

Co to oznacza dla AI i nauki

Historia dowodu Jina jest godna uwagi z kilku powodów. Pokazuje, że osoba niebędąca ekspertem, bez formalnego wykształcenia w danej dziedzinie, może, projektując odpowiedni autonomiczny workflow dla zaawansowanego modelu AI, wnieść rzeczywisty wkład w rozwiązanie problemu, który przez lata stawiał opór zawodowym specjalistom. Pokazuje również moc dobrze zaprojektowanych autonomicznych systemów rozumowania: Jin nie używał AI jako narzędzia wyszukiwania czy czatu – zaprojektował system, który mógł eksplorować, sprawdzać i udoskonalać własną pracę przez wiele godzin bez ingerencji człowieka .

Problem ten nie jest zabawką ani łamigłówką; to 22-letni otwarty problem, którego dowód został zweryfikowany i zaakceptowany przez matematyka, który go postawił, oraz przez innych czołowych ekspertów w tej dziedzinie .

Problem, który opierał się przez 22 lata

Hipoteza Crouzeixa mówi, że dla dowolnej kwadratowej macierzy zespolonej A i wielomianu p, norma operatorowa ||p(A)|| wynosi co najwyżej dwukrotność maksimum |p| w zakresie numerycznym A. Dotychczas najlepsze oszacowanie wynosiło 1+√2 (około 2,414) i było rezultatem warsztatów w 2017 roku w Amerykańskim Instytucie Matematyki, podczas których czołowi specjaliści nie zdołali domknąć luki do ścisłej stałej 2 .

Problem ten leżał na styku teorii macierzy i analizy funkcjonalnej w numerycznej algebrze liniowej – to niszowe, ale fundamentalne pytanie, które opierało się dwóm dekadom wysiłków ekspertów, którzy poświęcili mu swoje kariery.

Od ultrasonografii mózgu do matematycznego przełomu

Jin nie zamierzał tworzyć historii matematyki. Badał przezczaszkową ultrasonografię – modelował, jak fale ultradźwiękowe przenikają przez czaszkę – co zaprowadziło go do analizy macierzy, a ostatecznie do hipotezy Crouzeixa . Całą wyższą matematykę opanował samodzielnie podczas badań nad ultrasonografią; jego licencjat był z geologii na Uniwersytecie Pekińskim, a dyplom lekarza zdobył w Pekińskim Związku Medycznym. Nie miał formalnego wykształcenia w zaawansowanej matematyce .

Autonomiczna sesja trwająca 16 godzin

Jin zaadaptował strategię promptu, której OpenAI użyło przy rozwiązywaniu hipotezy cyklu podwójnego pokrycia. Zaprojektował wieloagentowy, adwersarialny system z czterema instrukcjami :

1. Praca offline: Model działał w fizycznie odizolowanym środowisku, uniemożliwiając mu pobieranie istniejących dowodów lub rozwiązań z sieci.
2. Równoległa eksploracja: System uruchamiał wiele podagentów badających zupełnie różne strategie dowodowe, zapobiegając przedwczesnej zbieżności do jednego podejścia.
3. Adwersarialny audyt: Kandydackie dowody poddawano adwersarialnym sprawdzeniom, zmuszając model do znajdowania i naprawiania własnych błędów.
4. Brak wcześniejszego zatrzymania: System miał nie przerywać pracy, dopóki kompletny dowód nie przeszedł wszystkich kontroli.

Jin uruchomił system i odszedł. Po około 16 godzinach ciągłej pracy – podczas których GPT-5.6-Sol wykonał tysiące cykli generowania, testowania hipotez, odrzucania i odbudowywania – powstał kompletny dowód .

Zamiast ciężkich oszacowań, jakich spodziewali się eksperci, argumentacja opierała się na starannej strategii próbkowania, sprowadzającej problem do prostego warunku dodatniości . Było to, według opinii recenzentów, eleganckie i nieoczekiwane podejście.

Weryfikacja przez ekspertów

Analityk numeryczny Alex Townsend z Cornell University przez poprzedni rok regularnie prosił ChatGPT o atakowanie hipotezy Crouzeixa, za każdym razem obserwując, jak utyka na tym samym brakującym lemacie . 30 lipca 2026 roku zapytał ponownie – ale tym razem ChatGPT zwrócił link do preprintu opublikowanego 27 lipca, zatytułowanego „The Numerical Range Is a 2-Spectral Set” .

Townsend i Anne Greenbaum z University of Washington przejrzeli preprint ze sceptycyzmem. Po kilku godzinach uznali, że dowód jest poprawny . Sam Michel Crouzeix – matematyk, który 22 lata wcześniej postawił hipotezę – przejrzał manuskrypt i potwierdził jego poprawność .

Open source i niezależna weryfikacja

Jin opublikował cały swój proces badawczy jako open source, udostępniając na GitHubie końcową pracę, dokładny prompt, wszystkie kolejne iteracje manuskryptu, formalizację dowodu w języku Lean 4 oraz audyt aksjomatów .

Co niezwykłe, osiem dni po publikacji preprintu Jina, na arXiv pojawił się oddzielny, niezależny dowód autorstwa Emiela Lorista i Felixa Schwenningera – którzy również używali ChatGPT 5.6 do eksploracji strategii – niezależnie potwierdzając wynik .

Co to oznacza dla AI i nauki

Historia dowodu Jina jest godna uwagi z kilku powodów. Pokazuje, że osoba niebędąca ekspertem, bez formalnego wykształcenia w danej dziedzinie, może, projektując odpowiedni autonomiczny workflow dla zaawansowanego modelu AI, wnieść rzeczywisty wkład w rozwiązanie problemu, który przez lata stawiał opór zawodowym specjalistom. Pokazuje również moc dobrze zaprojektowanych autonomicznych systemów rozumowania: Jin nie używał AI jako narzędzia wyszukiwania czy czatu – zaprojektował system, który mógł eksplorować, sprawdzać i udoskonalać własną pracę przez wiele godzin bez ingerencji człowieka .

Problem ten nie jest zabawką ani łamigłówką; to 22-letni otwarty problem, którego dowód został zweryfikowany i zaakceptowany przez matematyka, który go postawił, oraz przez innych czołowych ekspertów w tej dziedzinie .